Předpovídání chování posluchačů streamovacích služeb
| Thesis title in Czech: | Předpovídání chování posluchačů streamovacích služeb |
|---|---|
| Thesis title in English: | Predicting the Behaviour of Streaming Services Users |
| Key words: | streamovací služby, strojové učení, rekurentní neuronové sítě |
| English key words: | streaming services, machine learning, recurrent neural networks |
| Academic year of topic announcement: | 2019/2020 |
| Thesis type: | diploma thesis |
| Thesis language: | čeština |
| Department: | Department of Theoretical Computer Science and Mathematical Logic (32-KTIML) |
| Supervisor: | Mgr. Martin Pilát, Ph.D. |
| Author: | hidden - assigned and confirmed by the Study Dept. |
| Date of registration: | 20.02.2020 |
| Date of assignment: | 21.02.2020 |
| Confirmed by Study dept. on: | 12.03.2020 |
| Date and time of defence: | 04.02.2021 08:30 |
| Date of electronic submission: | 16.07.2020 |
| Date of submission of printed version: | 30.07.2020 |
| Date of proceeded defence: | 04.02.2021 |
| Opponents: | Mgr. Ladislav Peška, Ph.D. |
| Guidelines |
| Při vytváření playlistů provozovatelé streamovacích služeb používají techniky z oblasti doporučovacích systémů. Jedním z problémů ale je, jak určit, které skladby se uživatelům budou líbit, neboť explicitní informace (např. přímé hodnocení skladby uživatelem) jsou relativně řídké. Na druhou stranu, chování uživatelů streamovacích služeb (např. jaké skladby v playlistu přeskočí, jak často atp.) dává důležité implicitní informace o jejich preferencích.
Cílem práce je prozkoumat možnost využití technik strojového učení pro předpovídání chování uživatelů streamovacích služeb na základě vhodně zvoleného datasetu z této oblasti. Student prozkoumá techniky používané v této problematice a na tomto základě navrhne nové techniky, které budou schopny lépe předpovídat chování uživatelů. Navržené techniky následně porovná s existujícími technikami. |
| References |
| [1] Spotify Sequential Skip Prediction Challenge. https://www.aicrowd.com/challenges/spotify-sequential-skip-prediction-challenge
[2] Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning. MIT Press, 2016. ISBN: 978-0-26-203561-3 [3] Dongha Lee, Chanyoung Park, Hyunjun Ju, Junyoung Hwang, and Hwanjo Yu. "Action space learning for heterogeneous user behavior prediction." In Proceedings of the 28th International Joint Conference on Artificial Intelligence, pp. 2830-2836. AAAI Press, 2019. [4] Sainath Adapa. "Sequential modeling of Sessions using Recurrent Neural Networks for Skip Prediction", arXiv:1904.10273v1. 2019. |